dfly_zx的博客

目标本次主要介绍机器学习之聚类，主要解决分类的问题。通过KMean算法、KNN算法、MeanShift算法这三个算法的实战，通过对比，来了解和掌握各个算法的特点。机器学习之聚类介绍无监督学习聚类聚类分析常用的聚类算法K均值聚类K近邻分析模型（KNN）均值漂移聚类实战准备任务介绍实战一：采用Kmeans算法实现2D数据类...

目标这次学习的目标是：机器学习之逻辑回归，并用逻辑回归实现二分类的问题。将通过三个实战项目理解和熟练掌握机器学习的逻辑回归模型逻辑回归介绍什么是逻辑回归逻辑回归是用于解决分类问题的一种模型，根据数据特征或属性，计算其归属于某一类别的概率，根据概率值判断其所属类别。主要应用的场景：二分类问题下面介绍下flare老师对逻辑回归讲解的课件逻辑回归求解求解出损失函数的最小值，即可得到最优的逻辑回归模型分类任务与回归任务的区...

目标这次学习：机器学习的线性回归模型，先了解下机器学习和线性回归的介绍，然后通过三个案例实战来进行理解和熟练掌握机器学习的线性回归模型。机器学习介绍下面大概介绍下什么是机器学习，机器学习的应用场景，机器学习的基本原理框架和机器学习的类别。什么是机器学习可以先思考下图的问题机器学习的应用场景实现机器学习的基本框架机器学习的类别回归分析介绍什么是回归分析可以先思考下图的问题线性回归...

学习内容今天主要介绍人工智能，让大家对人工智能有个很好的认识。并做好环境配置，为后面的人工智能学习做准备。关键词人工智能，监督式，非监督式，强化学习，迁移学习，机器学习，深度学习，python，anaconda，Ju peter Notebook，numpy，pandas，matplotlib。具体内容人工智能介绍什么是人工智能人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新

整体思路：先获取数据，把数据分为训练数据和测试数据，然后在不同k值的模型下分别训练和测试，得出不同k值情况下的模型预测准确性，最后把准确性可视化输出进行整体评估。1.获取数据from sklearn import datasetsiris=datasets.load_iris()x=iris.datay=iris.target2.分离数据from sklearn.model_selection import train_test_splitx_train,x_test,y_t

首先获取训练的数据，参考iris数据加载from sklearn import datasetsiris = datasets.load_iris()x=iris.datay=iris.target使用k近邻算法（knn）先调用knn算法模块from sklearn.neighbors import KNeighborsClassifier创建一个模型实例，先命名为knn，先设k为3knn=KNeighborsClassifier(n_neighbors=3)让knn

调用sklearn模块里的datasetsfrom sklearn import datasetsiris=datasets.load_iris()把iris的参数数据赋值给x把iris的结果数据值赋值给yx=iris.datay=iris.target验证下x,y的数据类型print(x[0])[5.1 3.5 1.4 0.2]print(type(x))print(type(y))<class 'numpy.ndarray'><class